論文の概要: QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2604.07013v1
• Date: Wed, 08 Apr 2026 12:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.519311
• Title: QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks
• Title（参考訳）: QNAS: 正確で効率的な量子ニューラルネットワークのためのニューラルネットワーク検索フレームワーク
• Authors: Kooshan Maleki, Alberto Marchisio, Muhammad Shafique,
• Abstract要約: QNASは、ハードウェア評価、多目的最適化、ハイブリッド量子古典ニューラルネットワーク(HQNN)におけるオーバーヘッド認識の削減を統一するニューラルネットワーク検索フレームワークである。 QNASはいくつかの訓練期間において、HQNNの候補を評価し、正確性、効率性、オーバーヘッド削減のトレードオフを見出す。 MNIST, Fashion-MNIST, Irisのベンチマークでは, 埋め込み型とCNOTモードの選択が精度と効率に大きく影響している。
• 参考スコア（独自算出の注目度）: 2.5435687567731926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing quantum neural networks (QNNs) that are both accurate and deployable on NISQ hardware is challenging. Handcrafted ansatze must balance expressivity, trainability, and resource use, while limited qubits often necessitate circuit cutting. Existing quantum architecture search methods primarily optimize accuracy while only heuristically controlling quantum and mostly ignore the exponential overhead of circuit cutting. We introduce QNAS, a neural architecture search framework that unifies hardware aware evaluation, multi objective optimization, and cutting overhead awareness for hybrid quantum classical neural networks (HQNNs). QNAS trains a shared parameter SuperCircuit and uses NSGA-II to optimize three objectives jointly: (i) validation error, (ii) a runtime cost proxy measuring wall clock evaluation time, and (iii) the estimated number of subcircuits under a target qubit budget. QNAS evaluates candidate HQNNs under a few epochs of training and discovers clear Pareto fronts that reveal tradeoffs between accuracy, efficiency, and cutting overhead. Across MNIST, Fashion-MNIST, and Iris benchmarks, we observe that embedding type and CNOT mode selection significantly impact both accuracy and efficiency, with angle-y embedding and sparse entangling patterns outperforming other configurations on image datasets, and amplitude embedding excelling on tabular data (Iris). On MNIST, the best architecture achieves 97.16% test accuracy with a compact 8 qubit, 2 layer circuit; on the more challenging Fashion-MNIST, 87.38% with a 5 qubit, 2 layer circuit; and on Iris, 100% validation accuracy with a 4 qubit, 2 layer circuit. QNAS surfaces these design insights automatically during search, guiding practitioners toward architectures that balance accuracy, resource efficiency, and practical deployability on current hardware.
• Abstract（参考訳）: NISQハードウェア上で正確かつデプロイ可能な量子ニューラルネットワーク(QNN)の設計は難しい。 手作りのアンサーゼは、表現力、訓練性、資源使用のバランスをとる必要があるが、限られたキュービットは回路切断を必要とすることが多い。 既存の量子アーキテクチャ探索法は主に精度を最適化するが、量子をヒューリスティックに制御し、回路切断の指数的なオーバーヘッドを無視する。 本稿では、ハードウェア認識評価、多目的最適化、ハイブリッド量子古典ニューラルネットワーク(HQNN)のオーバーヘッド認識の削減を統一するニューラルネットワーク検索フレームワークであるQNASを紹介する。 QNASは共有パラメータSuperCircuitをトレーニングし、NSGA-IIを使用して3つの目標を共同で最適化する。 (i)検証エラー 二 ウォールクロック評価時間を測定するランタイムコストプロキシ、及び 三 目標キュービット予算に基づくサブサーキットの推計数 QNASは、いくつかの訓練のエポックな状況下で、候補者のHQNNを評価し、正確さ、効率性、オーバーヘッド削減のトレードオフを明らかにする明確なParetoフロントを発見する。 MNIST, Fashion-MNIST, Irisのベンチマークでは, 埋め込み型とCNOTモードの選択が精度と効率に大きく影響を与え, アングル型埋め込みとスパースエンタングパターンは画像データセット上の他の構成よりも優れ, グラフデータ(アイリス)上での振幅埋め込みに優れていた。 MNISTでは、最も優れたアーキテクチャは、コンパクトな8キュービット、2層回路で97.16%のテスト精度、より難しいFashion-MNISTでは87.38%、5キュービット、2層回路で87.38%、Irisでは100%の検証精度を4キュービット、2層回路で達成している。 QNASは、現在のハードウェア上での正確性、リソース効率、実用的なデプロイ可能性のバランスをとるアーキテクチャに向けて、実践者に対して、検索中にこれらの設計上の洞察を自動的に提示する。

関連論文リスト

• MONAS: Efficient Zero-Shot Neural Architecture Search for MCUs [5.321424657585365]
  MONASは、エッジコンピューティングのマイクロコントローラ(MCU)用に特別に設計された、ゼロショットNASフレームワークである。 MONASは、MCUをターゲットとした以前の作業よりも1104倍の検索効率向上を実現している。 MONASは、より一般的なNASアプローチと同じような精度を維持しながら、MCUの3.23倍高速な推測でCNNモデルを発見することができる。
  論文  参考訳（メタデータ） (2024-08-26T10:24:45Z)
• LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network through Spatial-Temporal Compressive Network Search and Joint Optimization [48.41286573672824]
  スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。 本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitE-SNNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-26T05:23:11Z)
• Lightweight Neural Architecture Search for Temporal Convolutional Networks at the Edge [21.72253397805102]
  この研究は特に、時系列処理のための畳み込みモデルであるTCN(Temporal Convolutional Networks)に焦点を当てている。 我々は,TNの最も特異なアーキテクチャパラメータの最適化を明示的に目標とする最初のNASツールを提案する。 提案したNASは,音声および生体信号を含む4つの実世界のエッジ関連タスクでテストする。
  論文  参考訳（メタデータ） (2023-01-24T19:47:40Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• FLASH: Fast Neural Architecture Search with Hardware Optimization [7.263481020106725]
  ニューラルアーキテクチャサーチ(NAS)は、効率的かつ高性能なディープニューラルネットワーク(DNN)を設計するための有望な手法である 本稿では,実ハードウェアプラットフォーム上でのDNNの精度と性能を協調的に最適化する,非常に高速なNAS手法であるFLASHを提案する。
  論文  参考訳（メタデータ） (2021-08-01T23:46:48Z)
• Once Quantization-Aware Training: High Performance Extremely Low-bit Architecture Search [112.05977301976613]
  本稿では,ネットワークアーキテクチャ検索手法と量子化手法を組み合わせることで,両者のメリットを享受することを提案する。 まず、多数の量子化モデルを取得するために、共有ステップサイズでアーキテクチャと量子化の合同トレーニングを提案する。 次に、量子化されたモデルを低ビットに転送するためにビット継承方式を導入し、さらに時間コストを削減し、量子化精度を向上させる。
  論文  参考訳（メタデータ） (2020-10-09T03:52:16Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• FATNN: Fast and Accurate Ternary Neural Networks [89.07796377047619]
  Ternary Neural Networks (TNN) は、完全な精度のニューラルネットワークよりもはるかに高速で、電力効率が高いため、多くの注目を集めている。 そこで本研究では、3次内積の計算複雑性を2。 性能ギャップを軽減するために,実装に依存した3次量子化アルゴリズムを精巧に設計する。
  論文  参考訳（メタデータ） (2020-08-12T04:26:18Z)
• FBNetV3: Joint Architecture-Recipe Search using Predictor Pretraining [65.39532971991778]
  サンプル選択とランキングの両方を導くことで、アーキテクチャとトレーニングのレシピを共同でスコアする精度予測器を提案する。 高速な進化的検索をCPU分で実行し、さまざまなリソース制約に対するアーキテクチャと準備のペアを生成します。 FBNetV3は最先端のコンパクトニューラルネットワークのファミリーを構成しており、自動と手動で設計された競合より優れている。
  論文  参考訳（メタデータ） (2020-06-03T05:20:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。